文章目录
- 什么是TensorBoard？
- TensorBoardX与TensorBoard的依赖关系
- 易混关系辨析
- Pytorch安装TensorBoard并验证
- 1. TensorBoard安装和访问
- 2. TensorBoard主要界面介绍
- 实用技巧
什么是TensorBoard？
- TensorBoard是TensorFlow生态系统中的一款强大的可视化工具，它可以帮助机器学习开发者和研究人员理解、调试和优化他们的模型。最初由Google Brain团队开发，TensorBoard已经成为深度学习领域最受欢迎的可视化工具之一。
- TensorBoard是TensorFlow的一个附件，可以记录训练过程的数字、图像等内容，方便研究人员观察神经网络训练过程。
- 目前，TensorBoard在TensorBoardX工具辅助下，可以和其他框架，如Pytorch，结合使用实现建模和训练的可视化。
- TensorBoardX是一个PyTorch生态中的工具库，它允许PyTorch用户像TensorFlow用户一样方便地使用TensorBoard进行可视化。
TensorBoard的主要功能包括：
- 可视化模型的计算图
- 跟踪和展示训练指标（如损失和准确率）
- 展示权重和偏差的直方图
- 显示图像、文本和音频数据样本
- 分析模型的计算性能
TensorBoardX与TensorBoard的依赖关系
- 当前最新版本的TensorBoardX仍然需要安装TensorBoard作为基础依赖才能正常使用。TensorBoardX本质上是对TensorBoard功能的封装扩展，它通过调用TensorBoard的核心功能来实现PyTorch的可视化支持。虽然部分基础功能可能不需要完整安装TensorFlow，但TensorBoard组件是必须安装的。
易混关系辨析
- 单独的TensorBoardX并不能进行可视化展示，TensorBoardX本质上是对TensorBoard功能的封装扩展，通过调用TensorBoard的核心功能来实现PyTorch的可视化支持。
- 所以，在Pytorch环境中安装TensorBoard，可以广义来说安装TensorBoardX或者安装TensorBoard。但更严格来说，是在Pytorch环境中安装TensorBoard。
- 读者在阅读文章，可以视TensorBoardx和TensorBoard为等价工具。执行命令和使用没有区别，代码写法可能稍有区别。
Pytorch安装TensorBoard并验证
1. TensorBoard安装和访问
- 激活需要安装TensorBoardX的虚拟环境
conda activate env_name
- 进入虚拟环境后，安装
tensorboard，tensorboardX非必须
pip install tensorboard
# 可以不安装tensorboardX
pip install tensorboardX
-
打开项目文件，导入相关的包，并在该目录下创建一个测试日志目录。如果执行成功，表明tensorboard安装成功
- 使用PyTorch官方集成的TensorBoard支持（无需显式调用
writer.close()）
from torch.utils.tensorboard import SummaryWriter writer = SummaryWriter(log_dir = 'test') writer.log_dir for i in range(10): writer.add_scalar('mul', i*i, i)- 如果也安装了
tensorboardX，使用TensorBoardX进行操作(必须显示调用writer.close())
from tensorboardX import SummaryWriter writer = SummaryWriter(log_dir = 'test') for i in range(10): writer.add_scalar('mul', i*i, i) writer.close() # 确保关闭 writer - 使用PyTorch官方集成的TensorBoard支持（无需显式调用
-
由于在虚拟环境中安装的tensorboard，所以想要启动也需要进入虚拟环境。操作方法是：在
test目录所在文件夹下打开终端，然后在终端中激活python虚拟环境，然后使用tensorboard --logdir="xxx"命令运行TensorBoard。默认情况下，TensorBoard会在本地6006端口启动。你可以在浏览器中访问http://localhost:6006来查看可视化结果。
conda activate [env_name]
tensorboard --logdir="test"
或者
tensorboard --logdir=./test
- 完整执行代码如下：
D:\code\deeplearning_view_tools>conda activate pytorch_stu
(pytorch_stu) D:\code\deeplearning_view_tools>tensorboard --logdir="test"
TensorFlow installation not found - running with reduced feature set.
Serving TensorBoard on localhost; to expose to the network, use a proxy or pass --bind_all
TensorBoard 2.19.0 at http://localhost:6006/ (Press CTRL+C to quit)
- 执行代码绘图结果如下：
2. TensorBoard主要界面介绍
- 启动TensorBoard后，主要包含选项卡：
- Custom Scalars：显示训练过程中的标量指标（如损失、准确率等），支持自定义图表布局和多个指标的对比分析。
- Images：显示训练过程中保存的图像数据，可用于可视化输入数据、特征图或模型生成的图像样本。
- Audio：播放保存的音频数据，适用于语音处理或音频生成模型的调试和评估。
- Debugger V2：调试器界面，提供实时变量监控、张量值和计算图检查功能，帮助诊断训练问题。
- Graphs：可视化模型的计算图，展示各层之间的连接关系和数据流向，支持交互式探索模型架构。
- Distributions：展示权重和偏差的分布变化，以折线图形式显示张量值随训练步骤的分布演变。
- Histograms：以直方图形式展示权重和偏差的变化，直观呈现参数在不同训练阶段的数值分布。
- Text：显示文本数据，可用于查看嵌入向量、自然语言处理模型的输入输出或日志信息。
- Pr Curves（Precision-Recall Curves）：绘制精确率-召回率曲线，特别适用于分类模型的性能评估。
- Profile： 性能分析工具，提供训练过程中的详细时间消耗和资源使用情况，帮助优化模型效率。
- Hparams：超参数调优面板，支持比较不同超参数组合下的模型表现，辅助选择最佳配置。
- Mesh：3D数据可视化工具，用于显示和交互式探索三维网格数据（如点云、3D物体等）。
- What-if Tool：交互式模型探索工具，允许用户通过修改输入数据实时观察模型预测变化，支持公平性分析和反事实推理。
- Projector：使用PCA或t-SNE进行高维数据的降维可视化，特别适用于嵌入向量(embeddings)的可视化分析。
实用技巧
- TensorBoard不显示数据：确保
log_dir路径正确；检查是否传入TensorBoard回调；确认训练确实运行。 - 端口冲突：
tensorboard --logdir=./logs --port 6007 - 加载太慢：减少日志文件数量；关闭不需要的选项卡。
